Title

题目

MERIT: Multi-view evidential learning for reliable and interpretable liverfibrosis staging✩

MERIT：用于可靠且可解释的肝纤维化分期的多视图证据学习✩

01

文献速递介绍

肝纤维化源于细胞外基质蛋白（尤其是胶原蛋白）的过度积累，可能进展为肝硬化甚至肝癌（Li et al., 2022a）。Scheuer系统是评估肝纤维化分期的常用标准，将其分为四个不同阶段（S1-S4），其中S1表示纤维门脉扩张，S4代表严重肝硬化（Scheuer, 1991）。准确评估纤维化严重程度对各类慢性肝病的诊断和治疗规划至关重要。既往研究已发现特定的MRI特征可辅助检测肝纤维化，使用Gd-EOB-DTPA对比剂可进一步提升评估效果（Pickhardt et al., 2019; Li et al., 2022b）。 近年来，基于深度学习的方法已成为医学图像分析的强大框架（Litjens et al., 2017; Sharma et al., 2021）。针对肝纤维化分期，研究者提出了多种方法，包括卷积神经网络（CNNs）（Yasaka et al., 2018b; Li et al., 2020）、对比学习（Huang et al., 2019）、迁移学习（Xue et al., 2020; Nowak et al., 2021）和高级生成对抗网络（GAN）（Duan et al., 2022）。然而，这些方法通常将整个肝脏扫描图像作为模型训练的输入，由于肝脏形状不规则且腹部图像中存在无关解剖结构，可能导致特征提取不充分。此外，肝纤维化的征象（如表面结节变化、肝裂增宽、左右肝叶比例失衡）分布于全肝（Ito et al., 2002; Lurie et al., 2015; Ludwig et al., 2021），将整个扫描图像作为单一输入时，难以捕捉复杂的纤维化特征。近期，Hectors等人（2021）提出使用滑动窗口裁剪图像块进行数据增强，但其每次仅使用单个图像块作为输入，仅捕获肝脏的局部视图。为了利用全肝的信息性特征，我们将该任务构建为多视图学习问题，同时提取局部和全局特征。 多视图学习旨在利用多个特征的互补信息（Zhang et al., 2018; Yan et al., 2021; Han et al., 2022），其主要挑战在于如何合理整合不同视图的特征。决策级融合因能够通过系统化设计和高效流程增强大数据分析能力，并提供更优且无偏的结果而常被采用（Mangai et al., 2010; Nazari et al., 2020）。大多数决策级融合方法采用聚合策略，如简单平均（Simonyan & Zisserman, 2014; Ding et al., 2021）、多数投票（Kuncheva & Rodríguez, 2014; Aeeneh et al., 2024）或可学习模型（Wang et al., 2019; Xia & Zhang, 2022）。然而，这些方法中多视图特征的权重通常是固定的（限制了模型灵活性）或通过模型训练隐式学习（损害了决策过程的可解释性）。更重要的是，这些方法无法量化不确定性，而不确定性量化对于医疗应用中的模型可信度至关重要。 为提升多视图学习的可靠性，既往方法主要通过蒙特卡洛（MC） dropout（Gal & Ghahramani, 2016）、变分推理（VI）（Subedar et al., 2019）或集成学习（Durasov et al., 2021）来建模模型不确定性（也称认知不确定性）（Kendall & Gal, 2017）。但此类模型未能显式捕捉因测试数据与训练数据分布不匹配导致的不确定性。PriorNet（Malinin & Gales, 2018）首次通过为分类模型赋予先验狄利克雷分布引入分布不确定性，使其能够检测分布外（OOD）样本。证据学习（Sensoy et al., 2018; Zheng & Yu, 2023; Chen et al., 2024）在证据理论（Dempster, 1968）框架下提供了另一种建模分布不确定性的方法，将神经网络输出表示为“观点”（opinion），通过狄利克雷分布量化分布不确定性。然而，上述方法主要关注特征分布偏移引起的不确定性，忽略了类别分布偏移的影响。如图1（a）所示，肝纤维化分期任务中可能同时存在特征和类别分布偏移，导致模型预测不可靠。 基于证据学习，本研究提出MERIT，一种用于肝纤维化分期的证据多视图学习框架。如图1（b）所示，该框架基于主观逻辑理论（Jøsang, 2016）将神经网络输出表示为“观点”，以增强分布偏移场景下的可靠性；同时，采用特征特异性信念融合算子集成多源观点，实现基于模型的即席（ad-hoc）可解释性和事后（post-hoc）可解释性（Murdoch et al., 2019）。即席可解释性源于模型的模块化设计——基于“观点”的决策过程具有可解释性，而黑箱神经网络仅作为支持“观点”表示的工具；事后可解释性则通过训练后的模型提供预测层面的解释，每个特征分量（即肝脏的子视图）的贡献可通过不确定性量化。 本研究是我们在MICCAI 2023会议论文（Gao et al., 2023）基础上的扩展，此前研究已提出一种具有可解释融合策略的不确定性感知多视图学习方法用于肝纤维化分期。相较于前期工作，本文的新贡献如下：   • 在证据深度学习中引入类别分布感知先验率（base rate），以解决类别分布偏移问题；   • 通过引入特征特异性融合算子改进组合规则，忠实建模局部与全局视图特征的关系，并提供其在本任务中的适用性理论分析以阐释可解释性；   • 在扩展的多中心肝脏MRI数据集上开展广泛实验，包括特征和类别分布偏移场景下的可靠性评估，以及用于事后可解释性的特征消融研究。   全文结构如下：第2节讨论相关研究；第3节阐述所提出的MERIT肝纤维化分期框架；第4节介绍实验设置及方法在可靠性、可解释性和多视图建模方面的评估结果；第6节总结研究。

Abatract

摘要

Accurate staging of liver fibrosis from magnetic resonance imaging (MRI) is crucial in clinical practice. Whileconventional methods often focus on a specific sub-region, multi-view learning captures more informationby analyzing multiple patches simultaneously. However, previous multi-view approaches could not typicallycalculate uncertainty by nature, and they generally integrate features from different views in a black-boxfashion, hence compromising reliability as well as interpretability of the resulting models. In this work, wepropose a new multi-view method based on evidential learning, referred to as MERIT, which tackles the twochallenges in a unified framework. MERIT enables uncertainty quant